Het begrijpen van aardbevingen is een uitdagend probleem - niet alleen omdat ze potentieel gevaarlijk zijn, maar ook omdat het gecompliceerde fenomenen zijn die moeilijk te bestuderen zijn. Het interpreteren van de massale, vaak ingewikkelde datasets die worden geregistreerd door aardbevingsmeetnetwerken is een enorme taak voor seismologen, maar de inspanning die nodig is om nauwkeurige analyses te maken, zou de ontwikkeling van betrouwbare vroegtijdige waarschuwingssystemen voor aardbevingen aanzienlijk kunnen verbeteren.

Een veelbelovende nieuwe samenwerking tussen Caltech-seismologen en computerwetenschappers die kunstmatige intelligentie (AI) gebruiken - computersystemen die in staat zijn om taken te leren en uit te voeren waarvoor voorheen mensen nodig waren - heeft tot doel de geautomatiseerde processen te verbeteren die aardbevingsgolven identificeren en de sterkte beoordelen, snelheid, en richting van schudden in realtime. De samenwerking omvat onderzoekers van de afdelingen Geologische en Planetaire Wetenschappen en Engineering en Toegepaste Wetenschappen, en maakt deel uit van Caltech's AI4Science Initiative om AI toe te passen op de big data-problemen waarmee wetenschappers in het hele instituut te maken hebben. Aangedreven door geavanceerde hardware en machine learning-algoritmen, moderne AI heeft het potentieel om een ​​revolutie teweeg te brengen in seismologische datatools en ons allemaal een beetje veiliger te maken tegen aardbevingen.

Onlangs, Yisong Yue van Caltech, een assistent-professor informatica en wiskundige wetenschappen, ging zitten met zijn medewerkers, Onderzoekshoogleraar Geofysica Egill Hauksson, Postdoctoraal geleerde in geofysica Zachary Ross, en Associate Staff Seismoloog Men-Andrin Meier, om het nieuwe project en de toekomst van AI en aardbevingswetenschap te bespreken.

Welk seismologisch probleem inspireerde je om AI in je onderzoek op te nemen?

Meier:Een van de dingen waar ik aan werk, is vroegtijdige waarschuwing voor aardbevingen. Vroegtijdige waarschuwing vereist dat we proberen aardbevingen zeer snel te detecteren en het schudden te voorspellen dat ze later zullen produceren, zodat je een paar seconden tot misschien tientallen seconden waarschuwing kunt krijgen voordat het schudden begint.

Hauksson:Het moet heel snel gebeuren - dat is het spel. De aardbevingsgolven zullen het dichtstbijzijnde meetstation het eerst raken, en als we ze onmiddellijk kunnen herkennen, dan kunnen we een waarschuwing sturen voordat de golven verder reizen.

Meier:Je hebt maar een paar seconden seismogram om te beslissen of het een aardbeving is, wat zou betekenen dat er een waarschuwing wordt verzonden, of als het in plaats daarvan een hinderlijk signaal is - een vrachtwagen die langs een van onze seismometers rijdt of iets dergelijks. We hebben te veel valse classificaties, te veel valse meldingen, en daar houden mensen niet van. Dit is een klassiek machine learning-probleem:je hebt wat gegevens en je moet een realistische en nauwkeurige classificatie maken. Dus, we namen contact op met de afdeling informatica en wiskundige wetenschap (CMS) van Caltech en begonnen er samen met hen aan te werken.

Waarom is AI een goed hulpmiddel voor het verbeteren van aardbevingsmonitoringsystemen?

Yue:De redenen waarom AI een goed hulpmiddel kan zijn, hebben te maken met schaal en complexiteit in combinatie met een overvloed aan gegevens. Aardbevingsmonitoringsystemen genereren enorme datasets die moeten worden verwerkt om wetenschappers nuttige informatie te verstrekken. AI kan dat sneller en nauwkeuriger doen dan mensen, en zelfs patronen vinden die anders aan het menselijk oog zouden ontsnappen. Verder, de patronen die we hopen te extraheren zijn moeilijk voor op regels gebaseerde systemen om adequaat vast te leggen, en dus kunnen de geavanceerde patroonafstemmingscapaciteiten van modern diep leren superieure prestaties bieden dan bestaande geautomatiseerde algoritmen voor het bewaken van aardbevingen.

Ross:In een grote naschokreeks, bijvoorbeeld, je zou gebeurtenissen kunnen hebben die om de 10 seconden zijn verdeeld, snel vuur, de hele dag lang. We gebruiken misschien 400 stations in Zuid-Californië om aardbevingen te volgen, en de golven die door elke verschillende aardbeving worden veroorzaakt, zullen ze allemaal op verschillende tijdstippen treffen.

Yue:Als je meerdere aardbevingen hebt, en de sensoren schieten allemaal op verschillende locaties, je wilt kunnen ontcijferen welke gegevens bij welke aardbeving horen. Het opschonen en analyseren van de data kost tijd. Maar als je eenmaal een machine learning-algoritme traint - een computerprogramma dat leert door voorbeelden te bestuderen in plaats van door expliciete programmering - om dit te doen, het zou heel snel een beoordeling kunnen maken. Dat is de waarde.

Hoe kan AI seismologen anders helpen?

Yue:We zijn niet alleen geïnteresseerd in de incidentele zeer grote aardbeving die om de paar jaar plaatsvindt. We zijn geïnteresseerd in de aardbevingen van alle soorten en maten die elke dag plaatsvinden. AI heeft het potentieel om kleine aardbevingen te identificeren die momenteel niet te onderscheiden zijn van achtergrondgeluid.

Ross:Gemiddeld zien we elke dag ongeveer 50 aardbevingen in Zuid-Californië, en we hebben een mandaat van de U.S. Geological Survey om ze allemaal te controleren. Er zijn veel meer, maar ze zijn gewoon te klein voor ons om te detecteren met bestaande technologie. En hoe kleiner ze zijn, hoe vaker ze voorkomen. Wat we proberen te doen is monitoren, bevind zich, detecteren, en karakteriseer elk van die gebeurtenissen om 'aardbevingscatalogi' te maken. Al deze analyses beginnen de zeer ingewikkelde details te onthullen van de fysieke processen die aardbevingen veroorzaken. Die details waren voorheen niet echt zichtbaar.

Waarom heeft nog nooit iemand AI toegepast op seismologie?

Ross:Pas in de afgelopen twee jaar is de seismologie serieus rekening gaan houden met AI-technologie. Een deel daarvan heeft te maken met de dramatische toename van de rekenkracht van computers die we de afgelopen tien jaar hebben gezien.

Wat is het langetermijndoel van deze samenwerking?

Meijer:Uiteindelijk we willen een algoritme bouwen dat nabootst wat menselijke experts doen. Een menselijke seismoloog kan een aardbeving voelen of een seismogram zien en direct uit ervaring een heleboel dingen over die aardbeving vertellen. Het was echt moeilijk om dat aan een computer te leren. Met kunstmatige intelligentie, we kunnen veel dichter bij hoe een menselijke expert het probleem zou behandelen. We komen veel dichter bij het creëren van een 'virtuele seismoloog'.

Waarom hebben we een 'virtuele seismoloog' nodig?

Yue:Fundamenteel zowel in seismologie als daarbuiten, de reden dat je dit soort dingen wilt doen is schaal en complexiteit. Als je een AI kunt trainen die leert, dan kun je een gespecialiseerde vaardigheden nemen en deze voor iedereen beschikbaar stellen. Het andere probleem is complexiteit. Je zou lange tijd met een menselijke blik naar gedetailleerde seismische gegevens kunnen kijken en kleine aardbevingen kunnen ontdekken. Of je kunt een algoritme gewoon veel sneller laten leren welke patronen er toe doen.

Meier:De gedetailleerde informatie die we verzamelen, helpt ons de fysica van aardbevingen te achterhalen - waarom ze langs bepaalde fouten wegsmelten en grote aardbevingen veroorzaken langs andere, en hoe vaak ze voorkomen.

Zal het creëren van een "virtuele seismoloog" het einde betekenen van menselijke seismologen?

Ross:Na met een aantal studenten te hebben gesproken, Ik kan met redelijk veel vertrouwen zeggen dat de meesten van hen geen catalogiseerwerk willen doen. [Lacht.] Ze zouden liever spannender werk doen.

Yue:Stel je voor dat je een muzikant bent en voordat je een muzikant kunt worden, eerst moet je je eigen piano bouwen. Dus je besteedt vijf jaar aan het bouwen van je piano, en dan word je muzikant. Nu hebben we een geautomatiseerde manier om piano's te bouwen - gaan we de banen van muzikanten vernietigen? Nee, we geven eigenlijk een nieuwe generatie muzikanten kracht. We hebben andere problemen waar ze aan zouden kunnen werken.